Yapay Zeka Patent Önceki Teknik Araştırmasında Yardımcı Olabilir mi?
Evet, yapay zeka patent inceleme uzmanlarına önceki teknik araştırmasında anlamlı şekilde yardımcı olabilir, ancak henüz onların yerini alamaz. Bu, İngiltere Fikri Mülkiyet Ofisi'nin (IPO) görevlendirdiği ve Cardiff Üniversitesi tarafından yürütülen bir fizibilite çalışmasının temel bulgusudur. Çalışma, yapay zekanın "önceki teknik araştırması" sürecinde, yani bir buluşun daha önce başka bir yerde tarif edilip edilmediğini kontrol etme sürecinde, ne kadar gerçekçi bir şekilde destek sağlayabileceğini test etmek için tasarlanmıştır. Dünya genelindeki patent ofisleri her yıl giderek artan sayıda başvuru almaktadır ve bu araştırma, her başvurunun incelenmesindeki en zorlu aşamalardan biridir.
Bu sorunun neden önemli olduğunu anlamak için, önceki teknik araştırmasının gerçekte neyi kapsadığını bilmek gerekir. Biri patent başvurusu yaptığında, inceleme uzmanı aynı veya çok benzer bir fikrin daha önce başka bir yerde yayınlanıp yayınlanmadığını veya patentlenip patentlenmediğini araştırmalıdır. Bu, hızlı bir sorgulama değildir; genellikle birden fazla arama, farklı arama stratejileri ve potansiyel olarak milyonlarca belge arasında dikkatli bir süreç yönetimi gerektirir. Yapay zeka ve doğal dil işleme açısından bakıldığında, bu görev alışılmadık derecede zordur. Patent metinleri yoğun hukuki ifadeler, oldukça uzun cümleler, alışılmadık kısaltmalar ve eğitimli bir insanın bile ayrıştırmakta zorlanabileceği, bir makine için ise çok daha zor olan yüksek düzeyde teknik istemlerle doludur.
Çalışmanın Hedefleri ve Test Edilen Yapay Zeka Teknikleri
Çalışma üç temel hedef belirledi. Birincisi, farklı yapay zeka teknolojilerinin patent önceki teknik araştırmasını desteklemedeki uygulanabilirliğini değerlendirmek. İkincisi, bu görev için hangi algoritmaların gerçekten en iyi sonucu verdiğini belirlemek amacıyla çeşitli yaklaşımları test etmek. Üçüncüsü, ortaya çıkan en umut verici çözümü kapsamlı biçimde değerlendirmek. Bu hedeflere ulaşmak için araştırmacılar, hem denetimli hem de denetimsiz öğrenme yöntemlerini içeren geniş bir makine öğrenmesi yelpazesini inceledi. Bu yöntemler beş temel görevi desteklemek üzere değerlendirildi: metinden anlamlı özellikler çıkarma, arama sorgusunu ilgili terimlerle genişletme, belgeleri teknoloji alanlarına göre sınıflandırma, ilişkili belgeleri kümeleme ve bir patent koleksiyonundaki temel konuları modelleme. Değerlendirilen belirli teknikler şunlardı:
- Metin bölütleme, normalleştirme, lemmatizasyon, kök bulma, kelime birlikte-görünüm tespiti ve çok kelimeli teknik terimlerin çıkarılması gibi doğal dil işleme yöntemleri
- Destek vektör makineleri, naif Bayes öğrenmesi, karar ağacı oluşturma ve rastgele orman gibi denetimli makine öğrenmesi algoritmaları
- Kelime gömme, dağılımsal anlambilim ve derin sinir ağları gibi denetimsiz makine öğrenmesi yaklaşımları
- Sözcük-anlamsal bilgi kaynaklarının kullanımı ve gizli Dirichlet ayırımı (metinlerdeki konuları otomatik olarak keşfetmeye yarayan bir teknik) dahil olmak üzere anlamsal teknolojiler
Çalışmanın en önemli, hatta biraz da düşündürücü sonuçlarından biri, mevcut yapay zeka teknolojisinin patent başvuru sürecinin bir parçası olarak önceki teknik araştırmasını tamamen otomatikleştirebilecek düzeyde olmadığıdır. Tek bir algoritma, bir başvuruyu sınıflandırmaktan arama sorgusu oluşturmaya, ilgili belgeleri getirmeye, bunları sıralamaya, aralarındaki benzerlikleri belirlemeye ve temel konuları görselleştirmeye kadar sürecin her aşamasını tek başına yönetemez. Bununla birlikte, araştırmacılar umut verici bir sonuç da buldu: patentlerin teknoloji alanlarına göre otomatik sınıflandırılması çok yüksek doğruluk elde etti. Bu durum, çevrimiçi patent başvuru sürecine otomatik bir sınıflandırma adımının entegre edilmesi için gerçek bir potansiyele işaret ediyor; böylece başvuru yapmayı düşünen kullanıcılar, başvurudan önce buluşları için ön inceleme yapabilir.
Nihai Bir Ürün Değil, Bir Kavram Kanıtı
Bu projenin ne olduğunu, ne olmadığını da netleştirmek gerekir. Hedef hiçbir zaman üretime hazır, eksiksiz bir arama motoru oluşturmak değildi. Bunun yerine amaç, araştırmacıların farklı yapay zeka yaklaşımlarını gerçekçi koşullar altında deneysel olarak karşılaştırmasına imkan tanıyan bir test ortamı, yani bir kavram kanıtı (proof of concept) geliştirmekti. Bu kapsamda sonuçlar umut vericiydi: son teknoloji algoritmalar, verilen bir başvuruya en yakın belgeleri getirebildi, belgeleri ilgililik düzeyine göre sıralayabildi, faydalı eş anlamlılar önerebildi, olası sınıflandırmalar sunabildi ve alınan belge ile kavramları bir insan inceleme uzmanının büyük bir arama sonucu kümesini anlamlandırmasına gerçekten yardımcı olacak şekilde kümeleyip görselleştirebildi.
Proje için geliştirilen kavramsal model, "kullanıcı odaklı tasarım" yaklaşımını izliyor; yani model, soyut biçimde değil, onu gerçekte kullanacak patent inceleme uzmanlarının gerçek ihtiyaçları, tercihleri ve sınırlamaları dikkate alınarak inşa edildi. Bu da araştırmacıların "insan döngüde" (human-in-the-loop) felsefesi dediği yaklaşıma dönüşüyor: yapay zekanın amacı insan muhakemesinin yerini almak değil, onunla birleşmektir. Bu model altında, yapay zeka algoritmaları en olası arama terimlerini önererek ve patentleri kolayca yorumlanabilir konulara ayırarak inceleme uzmanının büyük hacimli patent verilerinde gezinmesine yardımcı olur. Kritik olan nokta şudur ki, karar verici her zaman insan inceleme uzmanı olarak kalır; yapay zekanın rolü akıllı destek sağlamaktır, nihai kararı vermek değil.
Sistemin Gerçek Patent İnceleme Uzmanlarıyla Test Edilmesi
Bu kavram modelini test etmek için ekip, Python programlama dilinde çalışan bir sistem geliştirdi. Deneysel doğrulama için üç teknoloji alanı seçildi: inşaat mühendisliği, bilgisayar teknolojisi ve ulaşım. Bu seçimler rastgele değildi; bu alanlar, son on yılda IPO'ya yapılan patent başvurusu sayısına göre en üst sıradaki üç teknoloji alanını temsil ediyordu ve bu da onları gerçekçi ve ilgili bir test ortamı haline getiriyordu. Ortaya çıkan kavram kanıtı sistemi, birkaç önemli kaynaktan derlenen İngilizce patent verileriyle eğitildi: dünya çapındaki patentlerin bibliyografik veritabanı olan PATSTAT ile İngiltere, Avrupa ve Amerika Birleşik Devletleri'nin tam metin patent koleksiyonları. Sistem geliştirildikten sonra, gerçek patent inceleme uzmanları tarafından, üç seçilen alanın her birinde temsili "sorgu" patentleri üzerinden nitel olarak test edildi.
Uzman inceleme uzmanlarıyla yapılan bu uygulamalı deneylerin sonuçları gerçekten cesaret vericiydi. Bu sonuçlar, yapay zeka destekli getirme ve sıralamanın, özellikle alınan çok sayıda belge arasından gerçekten önemli olanları bulma yükünü hafifleterek, önceki teknik araştırmasının hem süresini hem de maliyetini anlamlı biçimde azaltabileceğini güçlü şekilde göstermektedir. Sayısal olarak, deneylerdeki kesinlik (precision) yüzde 30 ile 50 arasında değişti; bu da bir aramanın döndürdüğü ilk on sonuçtan üç ila beşinin gerçekten ilgili olduğu anlamına geliyor. Çalışmaya katılan inceleme uzmanları, bu "isabet oranının" şu anda kullandıkları arama araçlarıyla elde ettiklerinden gerçekten daha iyi olduğunu doğruladı. Kısacası, bu kavram kanıtı, yapay zekanın gelecekte önceki teknik araştırma sürecinde inceleme uzmanlarına yardımcı olma konusunda gerçek ve pratik bir potansiyele sahip olduğunu gösterdi.
Sonuçlar ve Yapay Zekanın Henüz Yetersiz Kaldığı Noktalar
Aynı zamanda çalışma, yapay zekanın henüz yapamadığı konularda net bir sınır çiziyor. Yapay zeka destekli bir arama, hâlâ inceleme uzmanının ilk arama ifadesini manuel olarak oluşturmasını gerektirir; şu anda bir patent başvurusunu otomatik olarak okuyup uygun bir arama ifadesi üretebilen etkili bir yapay zeka algoritması bulunmamaktadır. Bu önemlidir, çünkü arama ifadesini oluşturmak, önceki teknik araştırma sürecinin en bilgi yoğun ve en kritik adımlarından biridir. Bu, başvurunun temel konusunun ve potansiyel yeniliğinin net biçimde anlaşılmasını gerektirir; araştırmacılar, deneyimli bir inceleme uzmanının sahip olduğu uzmanlık ve derin muhakeme birikimi nedeniyle bu görevin insanın elinde kalması gerektiğini, ve bunun yapay zekaya devredilmeye uygun bir iş olmadığını savunuyor.
Kavram kanıtını test eden patent inceleme uzmanları, sistemin nasıl daha da geliştirilebileceğine dair bir dizi somut öneri de sundu. Bunlar arasında daha esnek arama stratejileri kullanmak yer alıyordu; örneğin, aramanın farklı aşamalarında patent metninin farklı bölümlerinden yararlanmak, aramayı daha odaklı hale getirmek için buluşun özüne en yakın paragrafları öne çıkarmak veya farklı arama parametrelerinin ağırlıklarını ayarlamak. Ayrıca metin tabanlı ve görsel tabanlı aramayı birleştiren hibrit stratejiler ile yöntem, süreç veya metodoloji gibi yapılandırılmış bilgi türlerini ve alana özgü ontolojileri kullanarak aramayı zenginleştiren bilgi tabanlı stratejiler de önerildi.
İnceleme Uzmanlarının Geri Bildirimleri ve Çalışmanın Nihai Değerlendirmesi
Deneyler ayrıca kendi başına ilginç bir bulgu ortaya koydu: inceleme uzmanları, doğal olarak yöneldikleri arama stratejileri açısından birbirlerinden oldukça farklılaşıyor. Bu durum, gerçek bir arama yaklaşımı çeşitliliğini destekleyecek kadar esnek, daha yenilikçi araçlara olan gerçek bir ihtiyaca işaret ediyor. Bunun ötesinde araştırmacılar, görsel tabanlı patentler için getirme sistemleri, durum tespiti (due diligence) kanıtı toplamaya yardımcı olan araçlar, belgeler içindeki belirsizlik veya tutarsızlıkları tespit eden özellikler ve bir arama sonucu kümesindeki farklı belgeler arasındaki ilişkileri görselleştirme araçları dahil olmak üzere gelecekteki araç geliştirme için birkaç umut verici yön belirledi.
Genel olarak bakıldığında, çalışma net ve dengeli bir sonuç sunuyor. Hem denetimli hem de denetimsiz makine öğrenmesini kapsayan geniş bir yapay zeka teknolojisi yelpazesini değerlendirdi ve tek bir algoritmanın, önceki teknik araştırma sürecinin her aşamasını tek başına destekleyemediğine dair güçlü kanıtlar buldu. Proje sırasında geliştirilen kavram kanıtı, bunun yerine farklı iş akışı bölümlerini yöneten çeşitli son teknoloji algoritmaların bir kombinasyonuna dayanıyor. Deneysel olarak, bu birleşik yaklaşım, inceleme uzmanlarının şu anda kullandığı araçlara kıyasla daha yüksek bir isabet oranı sağladı; bu da yapay zekanın önümüzdeki yıllarda patent inceleme uzmanlarını desteklemede gerçek bir potansiyele sahip olduğunun sağlam bir kanıtıdır. Çalışma, yapay zekayı doğal dil işleme ve hesaplamalı anlambilimle birleştiren yaklaşımların vaadini vurgularken, bu alanda insan odaklı karar destek araçlarının önemini de bir kez daha ortaya koyuyor. Aynı zamanda yazarlar, bunun sadece bir ilk adım olduğunu açıkça belirtiyor: daha büyük patent koleksiyonları, daha fazla katılımcı inceleme uzmanı, daha geniş bir teknoloji alanı yelpazesi ile daha esnek, dinamik ve yinelemeli arama stratejilerini destekleyen algoritmalar üzerine devam eden çalışmalarla birlikte daha büyük ölçekli ve daha titiz testlere ihtiyaç olduğunu kabul ediyorlar.
Sıkça Sorulan Sorular
Yapay zeka patent önceki teknik araştırmasını tamamen otomatikleştirebilir mi?
Hayır. Fizibilite çalışması, tek bir yapay zeka algoritmasının şu anda sınıflandırmadan arama sorgusu oluşturmaya, belge getirmeye, sıralamaya ve görselleştirmeye kadar sürecin her aşamasını tek başına yönetemediğini ortaya koydu. Özellikle ilk arama ifadesinin oluşturulması hâlâ bir insan inceleme uzmanının uzmanlığını ve muhakemesini gerektiriyor. Modern önceki teknik araştırmasının nasıl çalıştığı hakkında daha fazla bilgiyi önceki teknik araştırması sayfamızda bulabilirsiniz.
Yapay zeka destekli patent önceki teknik araştırması ne kadar doğru?
Testlerde, sistemin kesinliği (precision) yüzde 30 ile 50 arasında değişti; bu da döndürülen ilk on sonuçtan üç ila beşinin gerçekten ilgili olduğu anlamına geliyor. Çalışmaya katılan patent inceleme uzmanları, bu isabet oranının mevcut arama araçlarıyla genellikle elde ettiklerinden daha yüksek olduğunu doğruladı. Bunun pratikte nasıl bir sonuç verdiğini merak mı ediyorsunuz? Ücretsiz bir yenilik araştırması deneyebilir ve kendi buluşunuz için sonuçları görebilirsiniz.
Yapay zeka patent inceleme uzmanlarının yerini alacak mı?
Hayır. Çalışmanın kavram modeli, insan döngüde (human-in-the-loop) bir yaklaşımı izliyor; burada yapay zeka, arama terimleri önererek ve patentleri yorumlanabilir konulara ayırarak inceleme uzmanını destekliyor, ancak süreç boyunca nihai karar verici her zaman inceleme uzmanı olarak kalıyor.
IPO fizibilite çalışmasında hangi yapay zeka teknikleri test edildi?
Araştırmacılar, doğal dil işleme yöntemlerinin bir karışımını, destek vektör makineleri ve rastgele orman gibi denetimli makine öğrenmesi modellerini, kelime gömme ve sinir ağları gibi denetimsiz yaklaşımları ve gizli Dirichlet ayırımı dahil anlamsal teknolojileri değerlendirdi.
Sistemi test etmek için hangi teknoloji alanları kullanıldı?
Kavram kanıtı üç alanda test edildi: inşaat mühendisliği, bilgisayar teknolojisi ve ulaşım. Bu alanlar, son on yılda IPO'ya yapılan patent başvurusu sayısına göre en üst sıradaki üç teknoloji alanını temsil ettiği için seçildi.
Bu makale şu kaynaktan uyarlanmıştır: İngiltere Fikri Mülkiyet Ofisi, AI-assisted patent prior art searching – feasibility study, Nisan 2020, ISBN 978-1-910790-80-9, © Crown Copyright 2020, Open Government Licence v3.0 kapsamında lisanslanmıştır.